以人工免疫系统(AIS)为代表的遗传计算模式是当代仿生技术的一个突破。人工免疫网络(AIN)算法作为人工免疫理论的一个重要组成部分,其理论水平在最近几年得到很大的发展。与此相关的诸多理论如遗传算法,危险理论,人工组织细胞算法等也有很好的研究前景。本文以AIN中最重要的独特性网络作为理论基础,探讨并改进在这一理论基础上的一种主要的人工免疫网络模型:AINet。在AINet算法的分析中我们发现,该算法在处理数据缩减的过程中的固有缺陷——忽视了目标数据集的一个重要信息:密度。针对这一缺陷,本文提出了一种改进的算法AINDD,这一算法不但考虑并尊重目标数据集的密度信息,而且在处理数据聚类的情况下,强调了缩减结果在分类过程中深度信息的重要作用。为了检测这一算法的效率,我们首先将其应用于数据聚类实验,并取得了比较理想的实验效果,与AINet相比,AINDD算法在数据聚类实验结果中有效地避免了AINet的弊端。并将这一算法应用于信息安全领域。入侵检测技术作为当代信息安全中主动防御模式的一个最重要形式,已越来越受到人们的关注,在该应用领域上的算法在近几年得到很大发展。本文在分析常见的入侵特征的基础上,以数据集“KDD CUP 99”为实验测试集,验证本文提出的AINDD算法的检测率。实验结果表明,该算法比起AINet,在检测准确率上有一定的提高。但由于算法本身的缺陷,即该算法在处理高维的(KDD CUP 99维数为41)大数据时,需要消耗大量的计算存储空间和时间。而且,对于算法中出现的参数值,不容易进行调整校正,很难找到最合适的参数,从而使算法无法发挥最高效率。分析上述AINDD在处理实验数据时的缺陷,针对这一情况,作者参考了“人工组织”算法在处理数据分类中的应用,提出了一种基于人工组织架构的AINDD模型——AINDDT。这一模型使得AINDD算法不必面对大量的高维数据,而是经过人工组织结构处理,初步进行过分类的细胞。这一模型大大改善了AINDD算法的运行速度。通过反复进行所设计的入侵检测模拟实验,成功确定了能使算法发挥最好效能的实验参数,并取得比较理想的检测效果。